¡La noticia está fuera! @packyM y yo estábamos emocionados de ayudar a @Atelfo, @okaymaged y al equipo de @Convokebio mientras estaba en @notboringco Escritores invirtiendo en escritores 🤝🧬 Emocionado por esta visión.

Creo que uno de los aspectos más prometedores de la IA para el descubrimiento de fármacos es el beneficio de la multimodalidad y la capacidad de construir modelos para muchas tareas distintas. En su ensayo de 2012 que describe la Ley de Eroom (la eficiencia de I+D en el descubrimiento de fármacos que disminuye exponencialmente), uno de los "diagnósticos" de Jack Scannell para el problema fue el sesgo de 'investigación básica–fuerza bruta'. Tendemos a sobreestimar el impacto de escalar tecnologías de descubrimiento en etapas tempranas. A menudo, estos ensayos tienen una "validez predictiva" baja de éxito clínico. Una forma en que los modelos de IA ayudan a resolver este problema es que pueden incorporar predicciones más relevantes para la traducción en las etapas más tempranas del descubrimiento. Creo que esta es la genialidad de la visión de Brandon y Alex en Axiom. Al reducir el costo, el tiempo y la fricción asociados con las pruebas de toxicidad, se puede realizar mucho antes en el proceso de descubrimiento, tan pronto como tengas una molécula. Esta es una de las desviaciones más radicales del aprendizaje automático molecular en relación con los esfuerzos tempranos de química computacional. Un gran número de diferentes criterios de descubrimiento se pueden tener en cuenta en una sola pasada hacia adelante.

¿Qué se necesita para que una computadora aprenda las reglas de emparejamiento de bases de ARN? Las personas están entrenando grandes modelos de lenguaje para la predicción de estructuras de ARN. Algunos de estos modelos tienen cientos de millones de parámetros. Un resultado temprano emocionante ha sido que estos modelos aprenden las reglas de emparejamiento de bases de Watson-Crick-Franklin directamente de los datos. Un grupo de investigación en Harvard decidió ver cuál era el modelo más pequeño que podía lograr este resultado. Entrenaron un pequeño modelo probabilístico con solo 21 parámetros utilizando descenso de gradiente. Con tan solo 50 secuencias de ARN—sin estructuras correspondientes—las reglas de emparejamiento de bases emergían después de solo unas pocas épocas de entrenamiento. Así que la respuesta a su pregunta original fue que se necesita "mucho menos de lo que podrías pensar" para aprender este tipo de modelo. No creo que esto signifique que los esfuerzos de entrenamiento a gran escala sean necesariamente tontos o mal guiados. Pero este resultado sugiere que hay mucha eficiencia y rendimiento que aún se puede extraer de la innovación arquitectónica. Hay mucha estructura subyacente en el lenguaje de la biología.

Es increíble dar a conocer la Serie A de Tahoe. @nalidoust y @iamjohnnyyu son un dúo de fundadores técnicos CEO/CSO impresionante. @genophoria y @kevansf son ambos científicos increíbles. Es un equipo de ensueño. La magnitud de la ambición de alcanzar 1 *mil millones* de células de una amplia variedad de antecedentes de pacientes roza lo absurdo. Pero están construyendo la infraestructura para hacerlo realidad. Y la visión comercial es igualmente intensa. No puedo esperar a que se comparta más de la historia de Tahoe pronto. Es un privilegio asociarse con este equipo en Amplify.

En biología, las leyes de escalado funcionan... ...hasta que no lo hacen. Para la predicción de la aptitud, el rendimiento del modelo de lenguaje de proteínas aumenta con el tamaño del modelo hasta que se estabiliza y luego se degrada. A medida que la pérdida de entrenamiento (NLL) disminuye, los modelos comienzan a predecir mayores probabilidades de secuencia y correlacionan menos con la aptitud subyacente. Ejemplo 10,001 de por qué la IA para la biología requiere una cuidadosa consideración de las distribuciones subyacentes, los objetivos de entrenamiento y docenas de otros detalles. La intersección es rica, pero requiere un trabajo cuidadoso en ambas disciplinas.

¡Después de muchos meses de trabajo intenso, en Decade estamos creciendo! Estamos contratando a un bioquímico de proteínas para ayudarnos a mejorar radicalmente el tratamiento del cáncer. Si te gusta estar a la vanguardia y hacer un impacto, ¡estamos interesados en saber de ti! Detalles aquí:

Cansado: computadoras basadas en silicio Conectado (literalmente): computadoras fúngicas De "Memristores sostenibles a partir de micelio de shiitake para bioelectrónica de alta frecuencia" La idea es utilizar señales eléctricas adaptativas en shiitake (que no sabía que existía) como un reemplazo de organoides neuronales para aplicaciones de computación neuromórfica. "Nuestros hallazgos muestran que las computadoras fúngicas pueden proporcionar plataformas escalables y ecológicas para tareas neuromórficas, uniendo bioelectrónica y computación no convencional." 100% una de las ideas de investigación más "no convencionales" que he encontrado recientemente...

Nunca deja de sorprenderme que $NVDA valga más que *todas* las 20 principales farmacéuticas combinadas. Solo estamos rascando la superficie del diseño y la distribución eficiente de medicamentos y diagnósticos. ¡Queda mucho por construir!

Hablamos con @ElliotHershberg (Partner @AmplifyPartners) sobre los desafíos de la tecnología de las ciencias de la vida. "Ha habido un sentimiento general de que se puede hacer una gran cantidad de progreso con nuevos datos y nuevas tecnologías en las ciencias de la vida". "En realidad, resulta que es muy difícil encontrar una cura única para el cáncer". "Hay avances como el Premio Nobel para Alphafold. La IA está teniendo un impacto real en los problemas de biología dura". "La secuenciación del ADN está disminuyendo en costo más rápido que la Ley de Moore". "La gente está empezando a escalar modelos, y se está volviendo impresionante rápidamente".

¿Qué pasaría si las vacunas contra la gripe realmente funcionaran? Y me refiero a que *realmente* funcionaran, hasta el punto en que la relación endémica de la humanidad con la influenza se convirtiera en historia, no en un desafío de salud global en curso. ¿Qué pasaría si pudiéramos mitigar *todos* los patógenos que mutan rápidamente? Por eso Jake Glanville fundó Centivax. Su misión en la vida es "terminar lo que Edward Jenner comenzó" desarrollando vacunas universales que aceleren la transición de la humanidad hacia un futuro post-patógeno. Jake es exactamente el tipo de Fundador Técnico con el que buscamos asociarnos en Amplify. Fue un pionero temprano en el diseño computacional de anticuerpos en Pfizer, antes de convertirse en uno de los primeros estudiantes de posgrado en Biología Computacional y de Sistemas en Stanford con Mark Davis. Ha sintetizado una vida de trabajo en una idea distinta—y algo contraria—para desarrollar vacunas universales. Y el equipo que ha reunido es igualmente extraordinario. Por ejemplo, el CMO de Centivax, Jerry Sadoff, es uno de los desarrolladores de vacunas más prolíficos que existen. Es verdaderamente un privilegio para nosotros participar en el sindicato de la Serie A para Centivax. Durante la última década, Jake y el equipo han reunido un paquete de datos preclínicos completo para su programa principal de gripe. El único experimento que queda es ver si esto se traduce en humanos, que es lo que respalda esta ronda. Si esta tecnología tiene éxito, el impacto será enorme. Y la historia de la perseverancia de este equipo requerirá su propio libro en el canon biotecnológico.